CN102867301A - 一种根据信息熵得到图像显著性特征的方法 - Google Patents

Abstract

本发明涉及一种根据信息熵得到图像显著性特征的方法，技术特征在于：同时考虑了RGB和Lab两个颜色空间，分别在6个颜色通道中计算图像的最大邻域整体特征、剩余谱特征及稀疏性特征，运用信息熵找出每种方法的最优颜色通道，接着运用信息熵组合得到的最优显著性特征，最后，考虑像素距离图像中心分布特征，得到最终显著性特征分布图。

Description

一种根据信息熵得到图像显著性特征的方法

技术领域

本发明属于计算机图像处理领域，尤其涉及一种根据信息熵得到图像显著性特征的方法。

背景技术

计算机视觉的根本目标是让机器模拟人的视觉系统，实现对图像数据的语义级理解。在观看图像时，人往往有选择性的注意其中的小部分区域，即所谓的显著区域。如何让计算机模拟人类的视觉注意机制能够自动预测图像中显著性区域成为近年来的研究热点。

现有的研究方法中，典型的方法有中央-周边机制，即中央和周边差异大的区域为显著区域；谱残余，即基于不同的图像具有相似的对数谱曲线的性质找到显著区域；像素的统计特性，即像素值出现次数越少的点越显著。

颜色是影响人类视觉系统的最重要的因素，我们从RGB和Lab两个颜色空间、六个颜色通道考虑图像的特征。特征图的融合是显著性研究的必要步骤，现有的线性和非线性融合都有各自的优缺点。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种根据信息熵得到图像显著性特征的方法，首先基于信息熵寻找最优的颜色通道，接着运用信息熵融合个的最优特征图，最后，考虑像素的分布特征得到图像的显著性特征。

技术方案

一种根据信息熵得到图像显著性特征的方法，其特征在步骤如下：

步骤1：将n×n的输入图像转化为RGB颜色空间和Lab颜色空间，得到6个颜色通道R,G,B,L,a,b；

步骤2：计算每一个颜色通道中任一点(x,y)的最大矩形邻域：

$U=\left\{(x,y)\right|\begin{array}{c}\max (1,x-\min (x,n-x))\≤x\≤\min (x+\min (x,n-x)),n),\\ \max (1,x-\min (x,n-x))\≤x\≤\min (x+\min (x,n-x)),n)\end{array}\};$

步骤3：计算最大矩形邻域的像素均值meanU_i，其中：i为颜色通道，i＝{R,G,B,L,a,b}；

步骤4：计算6个颜色通道的全局显著性特征Smap_i1(x,y)＝(f_i(x,y)-meanU_i)，其中：f_i(x,y)是颜色通道i在(x,y)处像素值，Smap_1i(x,y)是颜色通道i的显著性特征值；

步骤5：计算6个颜色通道的谱残余R(f)＝L(f)-h_n(f)L(f)，其中：对数相位谱L(f)＝log(A(f))，A(f)是幅度频谱，

步骤6：计算6个颜色通道的谱残余显著性特征：

Smap_i2(x,y)＝g(x,y)F^-1(exp(R(f_i))+jP(f_i))，其中：g(x,y)是高斯滤波，P(f)是相位频谱，F^-1是傅里叶反变换，j是虚数单位；

步骤7：计算6个颜色通道的稀疏性显著性特征

其中：p_i(f_i(x,y))表示颜色通道i中像素值为f_i(x,y)的出现的频率；

步骤8：计算图像的信息熵为

其中：g_k是一个高斯低通滤波器；

步骤9：计算全局显著性特征、谱残余显著性特征、稀疏性显著性特征分别在RGB颜色空间和Lab颜色空间的最优显著性特征，

RGB颜色空间：OptimalSmap_1s＝{Smap|H(Smap)＝min(H(Smap_ts)),

Lab颜色空间：OptimalSmap_2s＝{Smap|H(Smap)＝min(H(Smap_ts)),

其中：OptimalSmap_1s,OptimalSmap_2s分别表示第t种方法在RGB颜色空间和Lab颜色空间中得到的最优显著性特征；t＝{L,a,b},s＝1,2,3}；

步骤10：计算最优显著性特征的信息熵：H_ls＝H(OptimalSmap_ls),l＝1,2;

步骤11：计算RGB颜色空间的综合显著性特征：

计算Lab颜色空间的综合显著性特征

步骤12：将Smap1和Smap2归一化并组合，得显著性特征

$\mathrm{Smap}=\frac{\mathrm{Smap}1}{H\left(\mathrm{Smap}1\right)}+\frac{\mathrm{Smap}2}{H\left(\mathrm{Smap}2\right)};$

步骤13：对步骤12的显著性特征，运用高斯低通滤波得到最终图像显著性特征。

有益效果

本发明提出的一种根据信息熵得到图像显著性特征的方法，同时考虑了RGB和Lab两个颜色空间，分别在6个颜色通道中计算图像的最大邻域整体特征、剩余谱特征及稀疏性特征，运用信息熵找出每种方法的最优颜色通道，接着运用信息熵组合得到的最优显著性特征，最后，考虑像素距离图像中心分布特征，得到最终显著性特征分布图。

附图说明

图1：本发明方法的基本流程图

图2：本发明方法的实例操作流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：AMD Athlon 64×25000+计算机、2GB内存、256M显卡，运行的软件环境是：Matlab2010a和Windows XP。我们用Matlab软件实现了本发明提出的方法。

本发明具体实施如下：

1：将输入图像的大小调整为128×128；

2：将图像转化为RGB颜色空间和Lab颜色空间，得到6个颜色通道R,G,B,L,a,b；步骤3：对于每一个颜色通道，计算任一点(x,y)的最大矩形邻域：

$U=\left\{(x,y)\right|\begin{array}{c}\max (1,x-\min (x,n-x))\≤x\≤\min (x+\min (x,n-x)),n),\\ \max (1,x-\min (x,n-x))\≤x\≤\min (x+\min (x,n-x)),n)\end{array}\};$

4：计算6个颜色通道中每个点(x,y)的最大矩形邻域的像素均值meanU_i，其中：i＝{R,G,B,L,a,b}；

5：计算6个颜色通道的最大邻域整体特征Smap_i1(x,y)＝(f_i(x,y)-meanU_i)，其中：i＝{R,G,B,L,a,b}，f_i(x,y)是颜色通道i的(x,y)处像素值，Smap_1i(x,y)是颜色通道i的显著性特征值；

6：计算步骤2得到的6个颜色通道的谱残余R(f)＝L(f)-h_n(f)L(f)，其中：

对数相位谱L(f)＝log(A(f))，A(f)是幅度频谱，

7：计算步骤2得到的6个颜色通道的谱残余显著性特征Smap_i2(x,y)＝g(x,y)F^-1(exp(R(f_i))+jP(f_i))，其中：g(x,y)是高斯滤波，P(f)是相位频谱，F^-1是傅里叶反变换，i＝{R,G,B,L,a,b}，j是虚数单位；

8：计算步骤2得到的6个颜色通道的稀疏性显著性特征

其中：i＝{R,G,B,L,a,b}，p_i(f_i(x,y))表示颜色通道i中像素值为f_i(x,y)的出现的频率；

9：计算图像的信息熵为

其中：g_k是一个高斯低通滤波器；

10：计算最大邻域整体特征、谱残余显著性特征、稀疏性显著性特征分别在RGB颜色空间和Lab颜色空间的最优显著性特征

OptimalSmap_1s＝{Smap|H(Smap)＝min(H(Smap_ts)),t＝{R,G,B},s＝1，2,3}，

OptimalSmap_2s＝{Smap|H(Smap)＝min(H(Smap_ts)),t＝{L,a,b},s＝1,2,3}，

其中：OptimalSmap_1s,OptimalSmap_2s,(s＝1,2,3)分别表示第s种方法在RGB颜色空间和Lab颜色空间中得到的最优显著性特征；

11：计算最优显著性特征的信息熵

H_ls＝H(OptimalSmap_ls),l＝1,2,s＝1,2,3,

12：分别计算RGB颜色空间和Lab颜色空间的综合显著性特征

$\mathrm{Smap}1=\underset{s=1}{\overset{3}{\mathrm{\Σ}}}\frac{{\mathrm{OptimalSmap}}_{1s}}{H_{1s}},$

${\mathrm{Smap}}_2=\underset{s=1}{\overset{3}{\mathrm{\Σ}}}\frac{{\mathrm{OptimalSmap}}_{2s}}{H_{2s}};$

13：将Smap1和Smap2归一化并组合，得显著性特征

$\mathrm{Smap}=\frac{\mathrm{Smap}1}{H\left(\mathrm{Smap}1\right)}+\frac{\mathrm{Smap}2}{H\left(\mathrm{Smap}2\right)};$

14：考虑像素分布特征，对Smap运用高斯低通滤波作用，得到最终显著特征。

Claims (1)

1.一种根据信息熵得到图像显著性特征的方法，其特征在步骤如下：

步骤1：将n×n的输入图像转化为RGB颜色空间和Lab颜色空间，得到6个颜色通道R,G,B,L,a,b；

步骤2：计算每一个颜色通道中任一点(x,y)的最大矩形邻域：

$U=\left\{(x,y)\right|\begin{array}{c}\max (1,x-\min (x,n-x))\≤x\≤\min (x+\min (x,n-x)),n),\\ \max (1,x-\min (x,n-x))\≤x\≤\min (x+\min (x,n-x)),n)\end{array}\};$

步骤3：计算最大矩形邻域的像素均值meanU_i，其中：i为颜色通道，i＝{R,G,B,L,a,b}；

步骤4：计算6个颜色通道的全局显著性特征Smap_i1(x,y)＝(f_i(x,y)-meanU_i)，其中：f_i(x,y)是颜色通道i在(x,y)处像素值，Smap_1i(x,y)是颜色通道i的显著性特征值；

步骤5：计算6个颜色通道的谱残余R(f)＝L(f)-h_n(f)L(f)，其中：对数相位谱L(f)＝log(A(f))，A(f)是幅度频谱，

步骤6：计算6个颜色通道的谱残余显著性特征：

Smap_i2(x,y)＝g(x,y)F^-1(exp(R(f_i))+jP(f_i))，其中：g(x,y)是高斯滤波，P(f)是相位频谱，F^-1是傅里叶反变换，j是虚数单位；

步骤7：计算6个颜色通道的稀疏性显著性特征

其中：p_i(f_i(x,y))表示颜色通道i中像素值为f_i(x,y)的出现的频率；

步骤8：计算图像的信息熵为

其中：g_k是一个高斯低通滤波器；

步骤9：计算全局显著性特征、谱残余显著性特征、稀疏性显著性特征分别在RGB颜色空间和Lab颜色空间的最优显著性特征，

RGB颜色空间：OptimalSmap_1s＝{Smap|H(Smap)＝min(H(Smap_ts)),

Lab颜色空间：OptimalSmap_2s＝{Smap|H(Smap)＝min(H(Smap_ts)),

其中：OptimalSmap_1s,OptimalSmap_2s分别表示第t种方法在RGB颜色空间和Lab颜色空间中得到的最优显著性特征；t＝{L,a,b},s＝1,2,3}；

步骤10：计算最优显著性特征的信息熵：H_ls＝H(OptimalSmap_ls),l＝1,2;

步骤11：计算RGB颜色空间的综合显著性特征：

计算Lab颜色空间的综合显著性特征

步骤12：将Smap1和Smap2归一化并组合，得显著性特征

$\mathrm{Smap}=\frac{\mathrm{Smap}1}{H\left(\mathrm{Smap}1\right)}+\frac{\mathrm{Smap}2}{H\left(\mathrm{Smap}2\right)};$

步骤13：对步骤12的显著性特征，运用高斯低通滤波得到最终图像显著性特征。

Images